Thèse CIFRE: Réduction de modèle par deep learning pour la plasticité cristalline F/H

EDF R&D, avec ses 2000 chercheurs, a pour missions principales de contribuer à l'amélioration de la performance des unités opérationnelles du groupe EDF, d'identifier et de préparer les relais de croissance à moyen et long termes. EDF R&D met en œuvre une politique volontariste de partenariat en France et à l’international notamment dans les pays où le Groupe est présent.

Vous souhaitez associer mécanique des matériaux, simulation numérique et intelligence artificielle pour répondre à des enjeux industriels ?

--> Rejoignez EDF Recherche et Développement dans le cadre d’une thèse CIFRE consacrée à la réduction de modèle par apprentissage profond pour les calculs en plasticité cristalline.
La poursuite de l’exploitation des centrales nucléaires au-delà de 60 ans nécessite des outils avancés pour justifier la tenue mécanique des composants. Pour les matériaux métalliques, leur comportement dépend notamment de la microstructure, c’est-à-dire de l’organisation des grains qui les constituent. Les simulations en plasticité cristalline permettent de représenter ces grains et leurs interactions pour mieux comprendre les déformations et les mécanismes de rupture. Elles restent toutefois coûteuses en temps de calcul, ce qui limite l’étude de microstructures et de sollicitations variées.
L’objectif de cette thèse est de développer des modèles réduits fondés sur l’apprentissage profond pour accélérer ces simulations, tout en conservant une précision adaptée aux grandeurs étudiées et en respectant les lois physiques.

Vos principales missions seront les suivantes :

• Étudier les méthodes de réduction de modèle et d’apprentissage profond adaptées à la plasticité cristalline.
• Constituer et exploiter des jeux de données issus de simulations de référence, couvrant différentes microstructures, propriétés des matériaux et sollicitations mécaniques.
• Développer des modèles capables de prédire les grandeurs mécaniques recherchées, en intégrant des contraintes physiques pour améliorer leur fiabilité.
• Comparer les approches en matière de précision, de coût de calcul et de capacité à traiter des configurations non utilisées pendant l’apprentissage.
• Appliquer les méthodes à des cas représentatifs des besoins industriels et valoriser les résultats dans des publications scientifiques.

Deux pistes seront particulièrement explorées : des réseaux de neurones apprenant directement la relation entre les données du problème et la réponse mécanique, et des approches hybrides associant réduction par projection et corrections non linéaires apprises.
Principalement numérique, cette thèse se situe à l’interface entre mécanique des matériaux, mathématiques appliquées et apprentissage automatique. Elle contribuera au développement d’outils plus rapides pour comprendre le comportement des matériaux à l’échelle de leur microstructure.